Python を使用した LuckyTemplates 予測モデル

予測は、企業が過去のデータに基づいて将来について十分な情報に基づいた決定を下せるようにするため、データ分析の重要な側面です。このタスクを実行する効率的な方法の 1 つは、Python を使用した LuckyTemplates 予測モデルを利用することです。LuckyTemplates は、ユーザーが対話型のデータ視覚化、レポート、ダッシュボードを作成できるようにする人気のビジネス インテリジェンス ツールです。 

このチュートリアルでは、Python を使用してLuckyTemplates で予測モデルを作成する方法を学習します。Power Query で Python を使用して予測値を作成し、それらを LuckyTemplates の視覚化に取り込みます。このチュートリアルのビデオ全体は、このブログの下部でご覧いただけます。

目次

• LuckyTemplates 予測モデルのサンプル
• LuckyTemplates 予測モデル: 制御と制限 
• Python および LuckyTemplates 予測モデルの傾向分析
• Python コードを使用した予測
  • モデルのトレーニング
  • 加算および乗算のトレンド
• LuckyTemplates の実装 
• Python スクリプトの確認 
• 結論

LuckyTemplates 予測モデルのサンプル

以下に、このチュートリアルで達成したいことを示すいくつかの LuckyTemplates 予測モデルを示します。これらは、週ごとの季節性とデータ内のいくつかの季節的ピークを明らかにする実際のページビューです。 

最後に向けて、モデルで検出したいデータの増加傾向がわかります。

LuckyTemplates 予測モデル: 制御と制限 

以下は、LuckyTemplates を使用して作成された 30 日間予測のモデルです。実際のページ ビューと同じ季節性があり、LuckyTemplates には一部のデータを制御するオプションもあります。

これを行うには、 [視覚化]ペインでAnalytics を開きます。次に、[予測] > [オプション]にカーソルを合わせます。 

[予測の長さ]に30日を入力し、[信頼区間]を95% に設定します。システムはデフォルト設定で季節性を予測できますが、 7を追加して週ごとの季節性を表すこともできます。 

「適用」をクリックすると、上記と同様のモデルが得られるはずです。

Python および LuckyTemplates 予測モデルの傾向分析

LuckyTemplates は、季節性のモデル化に優れています。ただし、トレンドラインのパフォーマンスは同じではありません。

トレンド分析を開始するには、 [視覚化]ペインでトレンド ラインをオンにします。

一度オンにすると、上昇傾向が見られます。その傾向をデータに追加して、予測に影響を与えることができるはずです。 

Pythonモデルを使用してそれを行うことができます。以下のモデルに見られるように、傾向は横ばいではなく、季節性を帯びてきました。

Python コードを使用した予測

Pythonを使用して目標を達成することは、難しい作業ではありません。まず、Jupyter Notebookを開きます。 

必要なデータ ( pandas、matplotlib.pyplot、seaborn、 ExponentialSmoothing )を取り込みます。 

おそらくより正確な他のモデルもありますが、さらなる最適化が必要になります。 

また、季節性と傾向を確認するために、seasonal_decomposeも導入します。次に、Web 予測web_forecast.xlsxを使用してデータを読み取ります。 

次に、以下のコードを使用して日付を切り替えます。 

データセットのインデックスをDateに設定し、それをts と呼びます。次に、データセットの頻度を設定します。毎日のデータがあることがわかっているので、頻度をin day としてdとして設定し、それをtsとして保存しましょう。 

最後に、ts.plot ( ) を使用してプロットします。

プロット後は、LuckyTemplates ノートブックに表示された内容が正確に表示されるはずです。  

実際の傾向のコンポーネントをよりよく理解するには、次のコードを使用します。

最初のモデルはActualsです。その隣には、seasonal_decompose(ts).plot();で取得した傾向線があります。。

これはモデルに追加する必要がある傾向です。 

また、LuckyTemplates と指数平滑法モデルの両方に追加できる 季節性もあります。

最後のモデルは、点で表される残差、またはデータ内の予期しないものを示します。データの終わりに近づくにつれて、より多くのイベントが発生していることがわかります。 

モデルのトレーニング

このモデルでは、データをトレーニングする必要があり、通常はその後にテストが続きます。ただし、この場合はモデルが提供するものを使用するだけなので、モデルをテストすることはありません。 

データセットには298日ありますが、この例では、モデルがそのうちの290 日を記憶するだけで済みます。これは、モデルが学習できず、最終的にはコピーされるだけのデータをすべてモデルに与えたくないためです。 

基本的に、このトレーニング セットは 298 日中 290 日です。 

次に、モデルにExponentialSmoothingを使用します。次に、290 日のトレーニング データセットを渡し、傾向にはadd (加算)、季節にはmul (乗算)、季節期間には7を使用します。次に、そのデータをモデルに当てはめます。

加算および乗算のトレンド

加法的傾向と乗法的傾向について簡単に概観してみましょう。

加法的モデルではトレンドはゆっくりと追加されますが、乗法的モデルでは指数関数的に増加し、同様に非常に多くのことが発生します。2 つのどちらかを使用して、別の種類の予測を取得できます。 

加算法と乗算法を試して予測を変更できます。現在のデータは明らかに増加しているため、加算を使用することが不可欠ですが、何が得られるかを確認するために乗算を使用してみることもできます。 

たとえば、季節性をmulからaddに変更します。 

データを実行し、予測がどのように変化するかを観察します。

同様に、傾向をaddからmulに変更できます。 

これにより、もう少し大きな乗算傾向が得られるはずです。 

考えられる組み合わせを試した結果、トレンドと季節の両方にmulを使用すると最良の結果が得られることがわかりました。 

この予測モデルを取得したら、それを使用して 30 日前の予測を行うことができます。 

LuckyTemplates の実装 

同じ LuckyTemplates 予測モデルを LuckyTemplates ノートブックで作成してみましょう。

LuckyTemplates予測で、 [視覚化] > [分析] > [オプション]に移動します。Forecast の長さを30 日に設定していることに注目してください。 

そのコードを Power Query で簡単に実装する方法を見てみましょう。 

「データの変換」をクリックします。 

Power Query エディターで、データを取り込み、カテゴリのカスタム列を追加します 。後で実績を予測から分割できるように、 実績を使用します。

Forecasts Queryに移動すると、将来 30 日に相当する小さなデータ セットが表示されます。

Python スクリプトの確認 

Python スクリプトにも同様の情報が含まれています。まず、データセットを取り込んでdfとして保存し、 Date をdatetimeに変更し、頻度をd (日) に設定します。 

また、 holtWintersからExponentialSmoothingモデルを導入します。最初の 290 日をトレーニング セットとして取得し、そのデータをモデルに追加します。 

ExponentialSmoothingモデルでは、トレーニング データを追加し、トレンドと季節の両方をmul (乗算) に設定し、季節期間を7日に設定します。次に、モデルを当てはめます。

次に、予測を含む新しいデータ フレームまたはテーブルを取得します。インデックスをリセットし、元のデータの内容と一致するように日付とページビューという名前が付けられていることを確認します。最後に、「OK」をクリックします。 

出力では、データ内のこれらすべての変数が与えられます。 

[適用されたステップ]に移動し、[追加された列]をクリックします。これにより、予測値と、カテゴリとして 「予測」を持つカスタム列を含むテーブルが開きます。

次のクエリでは、 ActualsとForecastsが含まれる 2 つのデータ セットを単純に追加します。 

「閉じて適用」をクリックします。 

乗算法を適用すると、モデルがわずかに変化しました。 

LuckyTemplates と比較して、 Pythonではトレンドの加法性と季節性を変更することで、予測を簡単に実行し、モデルをもう少し最適化できます。同様に、それらの予測を実際のデータセットに追加できます。 

DAX を使用して LuckyTemplates で将来予測を作成する DAX を使用して
LuckyTemplates で傾向分析を行う方法
予算分析で季節性を管理する – 高度な LuckyTemplates

結論

このブログでは、 Pythonを使用して LuckyTemplates で予測モデルを作成するプロセスについて説明しました。Pythonを LuckyTemplates に統合することで、幅広いデータ分析ツールやモデリング ツールにアクセスできるようになり、より高度な予測を作成できるようになります。 

このチュートリアルで学んだスキルを活用すれば、LuckyTemplates で独自の予測モデルを作成し、それを使用して自信を持って将来の計画を立てることができるようになります。予測は反復的なプロセスであることに注意してください。そのため、さまざまなアルゴリズムや手法を躊躇せずに試して、データに最適なものを見つけ、新しいデータが入ってくるたびにモデルを継続的に確認して更新してください。

ではごきげんよう、

ゲイリム・オランダ